Anhang A: Fragebögen und sonstige Unterlagen

Größe: px
Ab Seite anzeigen:

Download "Anhang A: Fragebögen und sonstige Unterlagen"

Transkript

1 Anhang Anhang A: Fragebögen und sonstige Unterlagen A.: Flyer zur Probandenrekrutierung 46

2 A.: Fragebogen zur Meditationserfahrung 47

3 48

4 A.3: Fragebogen Angaben zur Person 49

5 5

6 5

7 A.4: Termin- und Einladungsschreiben 5

8 A.5: Einverständniserklärung 53

9 A.6: SAM-Einführung 54

10 55

11 A.7: Fragebogen zur Ausgangslage 56

12 57

13 A.8: achbefragung 58

14 59

15 Anhang B: Stimulus Material B.: IAPS-Bilder bei den Frauen (In der Abfolge der Bilddarbietung im Experiment) B.: IAPS-Bilder bei den Männern (In der Abfolge der Bilddarbietung im Experiment) 6

16 B.3: Miniaturansicht aller verwendeten Bilder Die Lizenzbedingungen erlauben es nicht, die Bilder frei zugänglich zu machen!

17 B: Screenshots der Versuchsinstruktionen & SAM-Ratingskalen B.: Baseline Instruktion B.: Versuchsinstruktion 64

18 B.3: SAM-Ratingskala für die Intensität des Gefühls B.4: SAM-Ratingskala für die Valenz des Gefühl 65

19 Anhang C: SPSS-Tabellen Tabelle 9: Kolmogorov-Smirnov-Tests für alle SAM-Ratings Kolmogorov-Smirnov-Anpassungstest für alle SAM - Ratings Parameter der ormalverteilung a,b Mittelwert Standardabweichung SAM Intensität neg. Bilder SAM Intensität neutr. Bilder SAM Intensität pos. Bilder SAM Valenz neg. Bilder SAM Valenz neutr. Bilder SAM Valenz pos. Bilder ,548 3,964 5,46 3,79 5,887 6,44,4874,463,453,7589,3848,6795 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),74,8,75,8,8,96,,8,9,8,58,96 -,74 -,76 -,75 -,86 -,8 -,93,3,76,35,88,697,6,55,67,5,5,77,836 a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. Tabelle 3: Levene-Test zur Varianzhomogenität für alle SAM-Ratings Levene-Test auf Homogenität der Varianzen über die drei n für alle SAM-Ratings SAM Intensität neg. Bilder SAM Intensität neutrl. Bilder SAM Intensität pos. Bilder SAM Valenz neg. Bilder SAM Valenz neutrl. Bilder SAM Valenz pos. Bilder Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Levene- Statistik df df Signifikanz,87 39,68,567 39,,567 33,4,835 39,73,744 39,48,64 39,54,64 35,54,73 39,488,47 39,99,45 39,39,45 35,33,94 39,86,593 39,88,986 39,5,986 34,53,59 39,93,65 39,546,69 39,538,69 35,539,67 39,545,39 39,679,394 39,677,394 35,677,39 39,679 Tabelle 3: Kolmogorov-Smirnov-Tests für Achtsamkeitsindices Kolmogorov-Smirnov-Anpassungstest für "Achtsamkeitspraxis in Stunden" und "Prozentrang Achtsamkeit" Parameter der ormalverteilung a,b Mittelwert Standardabweichung Prozentrang Achtsamkeit Achtsamkeitspraxis in Stunden , ,947 9, ,57394 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),3,3,3,89 -,68 -,3,677,3,75, a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. 66

20 C.: SAM-Intensitätsratings Tabelle 3: Multivariate Tests für SAM-Intensitätsratings Multivariate Tests für SAM - Intensitätsratings c Effekt Wert F Hypothese df Fehler df Signifikanz Konstanter Term,67 4,47 a 3, 35,,,733 4,47 a 3, 35,,,364 4,47 a 3, 35,, Größte charakteristische Wurzel nach Roy,364 4,47 a 3, 35,,,78,983 a 3, 35,,4,9,983 a 3, 35,,4,84,983 a 3, 35,,4 Größte charakteristische Wurzel nach Roy,84,983 a 3, 35,,4 Geschlecht,6,84 a 3, 35,,97,984,84 a 3, 35,,97,6,84 a 3, 35,,97 Größte charakteristische Wurzel nach Roy,6,84 a 3, 35,,97,7,3 6, 7,,353,83,4 a 6, 7,,348,3,5 6, 68,,344 Größte charakteristische Wurzel nach Roy,9,88 b 3, 36,,95 a. Exakte Statistik b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl+ Tabelle 33: Tests der Zwischensubjekteffekte für SAM-Intensitätsratings Quelle Korrigiertes Modell Konstanter Term Geschlecht Fehler Korrigierte variation Tests der Zwischensubjekteffekte für SAM - Intensitätsratings Abhängige Variable SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. Quadratsumme vom Typ III a. R-Quadrat =,5 (korrigiertes R-Quadrat =,3) b. R-Quadrat =,87 (korrigiertes R-Quadrat = -,) c. R-Quadrat =,9 (korrigiertes R-Quadrat = -,7) df,65 a 4,86,3,8 7,636 b 4,99,883,484 7,483 c 4,87,93,456 7,97 7,97,7,,986,986,38,48 7,673 7,673 8,798,5 4,36 4,36,893,77 5,66 5,66,596,6 4,95 4,95,465,5,9,9,9,96,683,683,36,577,6,6,3,959,64 5,3,496,96,77,358,66,848 5,56,78,384,63 78,874 37,3 8,34 37,63 74,3 37,9 69, ,6 4 36, , ,67 4 8,84 4 Mittel der Quadrat e F Signifikanz 67

21 Tabelle 34: Korrelationen für SAM-Intensitätsratings Korrelationen für SAM - Intensitätsratings Spearman-Rho SAM Intensität neg. SAM Intensität neutr. SAM Intensität pos. Achtsamkeit in h + FFaScore Achtsamkeitspraxis in Stunden Praxisdauer in Jahren Prozentrang Achtsamkeit **. Die Korrelation ist auf dem, iveau signifikant (einseitig). *. Die Korrelation ist auf dem,5 iveau signifikant (einseitig). SAM Intensität neg. SAM Intensität neutr. SAM Intensität pos.,,44**,98**.,3, 4 4 4,44**,,59**,3., 4 4 4,98**,59**,,, ,9,3 -,38,9,6, ,8*,8 -,56,35,4, ,96*,58 -,67,9,58, ,84*,5 -,8,34,7, ,5,8 -,35,55,4, C.: SAM-Valenzratings Tabelle 35: Multivariate Tests für SAM-Valenzratings Multivariate Tests für SAM - Valenzratings c Effekt Wert F Hypothese df Fehler df Signifikanz Konstanter Term,938 76,645 a 3, 35,,,6 76,645 a 3, 35,, 5,4 76,645 a 3, 35,, Größte charakteristische Wurzel nach Roy 5,4 76,645 a 3, 35,,,59 4,76 a 3, 35,,4,74 4,76 a 3, 35,,4,349 4,76 a 3, 35,,4 Größte charakteristische Wurzel nach Roy,349 4,76 a 3, 35,,4 Geschlecht,95,6 a 3, 35,,35,95,6 a 3, 35,,35,5,6 a 3, 35,,35 Größte charakteristische Wurzel nach Roy,5,6 a 3, 35,,35,73,894 6, 7,,93,74,888 a 6, 7,,95,33,879 6, 68,,97 Größte charakteristische Wurzel nach Roy,6 3,4 b 3, 36,,37 a. Exakte Statistik b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl+ 68

22 Tabelle 36: Tests der Zwischensubjekteffekte für SAM-Valenzratings Quelle Korrigiertes Modell Konstanter Term Geschlecht Fehler Korrigierte variation Tests der Zwischensubjekteffekte für SAM - Valenzratings Abhängige Variable SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv Quadratsum me vom Typ III a. R-Quadrat =,9 (korrigiertes R-Quadrat =,4) b. R-Quadrat =,39 (korrigiertes R-Quadrat =,45) c. R-Quadrat =,7 (korrigiertes R-Quadrat = -,9) df 4,849 a 4,,447,63,936 b 4,484 4,33,6,36 c 4,33,73,588 7,735 7,735 35,8, 8,35 8,35 5,83, 5,373 5,373 8,445,,38,38,64,48,395,395,48,,479,479,3,36,58,58,67,38,39,39 3,49,7,54,54,33,569 3,9,95 3,936,8,76,38,33,33,6,63,356,7 8,33 37,495 4,35 37, 7,87 37,465 43, ,8 4 76, ,79 4 6,7 4 8,5 4 Mittel der Quadrate F Signifikanz Tabelle 37: Post-Hoc-Tests für SAM-Valenzratings Bonferroni Abhängige Variable SAM Valenz neg. Bilder SAM Valenz neutr. Bilder SAM Valenz pos. Bilder = ichtmeditierende, =, = Basiert auf beobachteten Mittelwerten. *. Die mittlere Differenz ist auf der Stufe,5 signifikant. Mehrfachvergleiche für SAM - Valenzratings Mittlere Differenz (I-J) 95% Konfidenzintervall Standard fehler Signifikanz Untergrenze Obergrenze -,595,469,63 -,8,3 -,833*,3335,35 -,64 -,464,595,469,63 -,3,8 -,378,897, -,966,487,833*,3335,35,464,64,378,897, -,487,966 -,9,3346,366 -,5448,3 -,755,6994,339 -,76,496,9,3346,366 -,3,5448 -,646,57, -,4577,385,755,6994,339 -,496,76,646,57, -,385,4577,588,3768, -,4358,7534,475,364,558 -,3496,645 -,588,3768, -,7534,4358,487,798, -,453,9487 -,475,364,558 -,645,3496 -,487,798, -,9487,453 69

23 Tabelle 38: Korrelationen für SAM-Valenzratings Korrelationen für SAM - Valenzratings Spearman-Rho SAM Valenz neg. SAM Valenz neutr. SAM Valenz pos. Achtsamkeit in h + FFaScore AchtsamkeitspraxisIn Stunden Praxisdauer in Jahren Prozentrang Achtsamkeit **. Die Korrelation ist auf dem, iveau signifikant (einseitig). *. Die Korrelation ist auf dem,5 iveau signifikant (einseitig). SAM Valenz neg. SAM Valenz neutr. SAM Valenz pos., -,74 -,68**.,35, ,74,,3*,35., ,68**,3*,,, ,4**,38* -,98,4,3, ,394**,5 -,69*,5,76, ,4**,8 -,77*,4,83, ,438**,94* -,4,,9, ,36**,3 -,53,9,7, ,37,57** -,5,93,, C.3: achinterview Tabelle 39: Mann-Whitney-Test für Wandel der Gefühlsintensität Mann-Whitney-Test für Wandel der Gefühlsintensität: Statistik b Mann-Whitney-U Wilcoxon-W Z Asymptotische Signifikanz (-seitig) Exakte Signifikanz [*(-seitig Sig.)] =hat sich etwas erhöht; =hat sich stark erhöht 7, 33, -,994 a. icht für Bindungen korrigiert.,3,4 a b. nvariable: =; = Tabelle 4: Chi-Quadrat-Test für Wandel der Gefühlsintensität Chi-Quadrat nach Pearson Kontinuitätskorrektur a Likelihood-Quotient Exakter Test nach Fisher Zusammenhang linear-mit-linear Anzahl der gültigen Fälle Wert a. Wird nur für eine x-tabelle berechnet Chi-Quadrat-Tests,3 b,3,348,555,67,3,989,3 3 df Asymptotische Signifikanz (-seitig) Exakte Signifikanz (-seitig) Exakte Signifikanz (-seitig),49,8 b. Zellen (5,%) haben eine erwartete Häufigkeit kleiner 5. Die minimale erwartete Häufigkeit ist 3,. 7

24 C.: EDA-Zeitverlauf Tabelle 4: Kolmogorov-Smirnov-Tests für EDA-Zeitverlauf Kolmogorov-Smirnov-Anpassungstests für EDA - Latenz, EDA - Anstiegszeit und EDA - Halbwertszeit Parameter der ormalverteilung a,b Extremste Differenzen Kolmogorov-Smirnov-Z Mittelwert Absolut Positiv egativ Latenz neg. Bilder Latenz neutr. Bilder Latenz pos. Bilder Standardabweichung Anstiegszeit neg. Bilder Anstiegszeit neutr. Bilder Anstiegszeit pos. Bilder Halbwertszeit neg. Bilder Halbwertszeit neutr. Bilder Halbwertszeit pos. Bilder ,658,437,74,588,355,636,355,8,78,488,4487,463,493,3549,436,336,898,94,,46,4,45,65,34,86,5,6,,3,4,45,6,34,7,93,6 -,9 -,46 -,84 -,3 -,65 -,77 -,86 -,5 -,86,73,955,684,95,8,876,8,345,353 Asymptotische Signifikanz (-seitig),659,3,738,36,93,47,3,54,5 a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. Tabelle 4: Levene-Test zur Varianzhomogenität für EDA-Zeitverlauf Test auf Homogenität der Varianz für EDA - Latenz, - Anstiegszeit, - Halbwertszeit Latenz neg. Bilder Latenz neutr. Bilder Latenz pos. Bilder Anstiegszeit neg. Bilder Anstiegszeit neutr. Bilder Anstiegszeit pos. Bilder Halbwertszeit neg. Bilder Halbwertszeit neutr. Bilder Halbwertszeit pos. Bilder Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Levene- Statistik df df Signifikanz, 4,95,5 4,875,5 36,8,875, 4,885,34 4,585,7 4,74,7 36,48,74,6 4,69, 4,64,75 4,678,75 4,,678,99 4,657,64 4,434, 4,74, 8,96,74,334 4,567,443 4,37,656 4,43,656 3,745,44,9 4,3,44 4,53,8 4,643,8 4,,643,37 4,546, 4,883,367 4,548,367 35,84,549,64 4,688, 4,649,4 4,949,4 33,85,949,4 4,79,75 4,93,88 4,78,88 38,936,78,83 4,86 7

25 Tabelle 43: Multivariate Tests für EDA-Zeitverlauf Effekt Konstanter Term Geschlecht Bildvalenz * IAPSValenz a. Exakte Statistik c Multivariate Tests für EDA - Latenz, - Anstiegszeit und - Halbwertszeit Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Wert F Hypothese df Fehler df Signifikanz,6,64 a 3, 6,,68,984,64 a 3, 6,,68,6,64 a 3, 6,,68,6,64 a 3, 6,,68,6,69 a 3, 6,,598,984,69 a 3, 6,,598,6,69 a 3, 6,,598,6,69 a 3, 6,,598,33 5,947 a 3, 6,,,867 5,947 a 3, 6,,,54 5,947 a 3, 6,,,54 5,947 a 3, 6,,,3,74 6, 34,,5,87,763 a 6, 3,,3,47,8 6, 3,,,4 5,55 b 3, 7,,,3,9 6, 34,,5,898,33 a 6, 3,,5,,48 6, 3,,49,98 3,839 b 3, 7,,,3,3, 354,,997,978,, 37,99,997,3,9, 344,,998,8,536 b 4, 8,,7 b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl++IAPSValenz+ * IAPSValenz Tabelle 44: Tests der Zwischensubjekteffekte für EDA-Zeitverlauf Quelle Korrigiertes Modell Konstanter Term Geschlecht Bildvalenz Fehler Korrigierte variation Tests der Zwischensubjekteffekte für EDA - Latenz, - Anstiegszeit und - Halbwertszeit Abhängige Variable EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit Quadratsum me vom Typ III a. R-Quadrat =,43 (korrigiertes R-Quadrat =,79) b. R-Quadrat =,3 (korrigiertes R-Quadrat =,66) c. R-Quadrat =,88 (korrigiertes R-Quadrat =,) df 6,649 a,665 3,789, 5,849 b,585 3,548,,96 c,96,74,5,38,38,755,88,4,4,96,57,75,75,46,38,67,67 9,5,3,697,697 4,7,4,54,54 7,34,8,55,55,884,349,8,8,5,95,8,8,6,734,55,63 7,95,,74,37 8,36,,847,44 5,98,4,435,77 4,88,9,575,788 4,777,,68,34,874,58,78 8,75 9,455 8,65 8,447 8,7 73, ,65 9 8, , ,35 8,49 8 Mittel der Quadrate F Signifikanz 7

26 Tabelle 45: Post-Hoc-Tests für EDA-Zeitverlauf Mehrfachvergleiche für EDA - Latenz, - Anstiegszeit und - Halbwertszeit Bonferroni Abhängige Variable Latenz Anstiegszeit Halbwertszeit = ichtmeditierende, =, = Basiert auf beobachteten Mittelwerten. *. Die mittlere Differenz ist auf der Stufe,5 signifikant. Mittlere Differenz (I-J) 95% Konfidenzintervall Standardf ehler Signifikanz Untergrenze Obergrenze,33,9,58 -,54,439,378*,575,4,97,6589 -,33,9,58 -,439,54,647,635,37 -,933,48 -,378*,575,4 -,6589 -,97 -,647,635,37 -,48,933,373*,8573,,9,4453,3993*,,,3,6665 -,373*,8573, -,4453 -,9,6,8,336 -,835,475 -,3993*,, -,6665 -,3 -,6,8,336 -,475,835,486*,5544,5,4,83,38*,7,4,59,446 -,486*,5544,5 -,83 -,4,83,6543,67 -,755,4 -,38*,7,4 -,446 -,59 -,83,6543,67 -,4,755 Tabelle 46: Korrelationen für EDA-Zeitverlauf Korrelationen für EDA - Latenz, - Anstiegszeit und - Halbwertszeit Spearman-Rho Latenz Anstiegszeit Halbwertszeit Prozentrang Achtsamkeit Achtsamkeit in Stunden + FFAScore Achtsamkeitspraxis in Stunden Praxisdauer in Jahren = fem = mask **. Die Korrelation ist auf dem, iveau signifikant (einseitig). EDALatenz EDAAnsti egszeit EDAHalb wertszeit,,976**,859**.,, ,976**,,866**,., ,859**,866**,,, ,68** -,8** -,7**,,, ,78** -,69** -,7**,,, ,5** -,4** -,39**,,3, ,44** -,35** -,3**,3,4, ,4** -,43** -,4**,3,3, , -,9 -,48,494,44, ,7**,**,79**,,6,

27 Tabelle 47: Regressionsrechnung für EDA-Latenz Koeffizienten a Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: Latenz icht standardisierte Koeffizienten B Standardf ehler Standardisie rte Koeffizienten Beta,838,79,658, -,5, -,97-3,5, T Signifikanz Tabelle 48: Regressionsrechnung für EDA-Anstiegszeit Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: Anstiegszeit B Koeffizienten a icht standardisierte Koeffizienten Standardf ehler Standardisie rte Koeffizienten Beta,76,75,94, -,5, -,36-3,68, T Signifikanz Tabelle 49: Regressionsrechnung für EDA-Halbwertszeit Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: Halbwertszeit B Koeffizienten a icht standardisierte Koeffizienten Standardf ehler Standardisie rte Koeffizienten Beta,4,48 8,53, -,3, -,96-3,486, T Signifikanz C.: Startle-Zeitverlauf Tabelle 5: Levene und Kolmogorov-Smirnov-Tests für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Kolmogorov-Smirnov-Anpassungstest für Differenz der Startle-Response während - nach Bilddarbietung Parameter der ormalverteilung a,b Mittelwert Standardabweichung negative Bilder positive Bilder 43 43,646 5,88 9,3983 4,4677 Levene-Test für Differenz der Startle-Response während - nach Bilddarbietung a negative Bilder positive Bilder F df df Signifikanz,7 4,763,8 4,3 Prüft die ullhypothese, daß die Fehlervarianz der abhängigen Variablen über n hinweg gleich ist. a. Design: Intercept++Geschl+ Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig) a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet.,9,86,9,86 -,6 -,93,77,,68, 74

28 Tabelle 5: Multivariate Tests für Differenz der Startle-Response während - nach Bilddarbietung Effekt Konstanter Term Geschlecht a. Exakte Statistik Multivariate Tests für Differenz der Startle-Response während - nach Bilddarbietung c Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl+ Wert F Hypothese df Fehler df Signifikanz,45,878 a, 37,,44,955,878 a, 37,,44,47,878 a, 37,,44,47,878 a, 37,,44,,3 a, 37,,796,988,3 a, 37,,796,,3 a, 37,,796,,3 a, 37,,796,4,78 a, 37,,466,96,78 a, 37,,466,4,78 a, 37,,466,4,78 a, 37,,466,79,777 4, 76,,544,9,77 a 4, 74,,547,85,766 4, 7,,55,85,6 b, 38,,3 Tabelle 5: Tests der Zwischensubjekteffekte für Differenz der Startle-Response während - nach Bilddarbietung Tests der Zwischensubjekteffekte für Differenz der Startle-Response während - nach Bilddarbietung Quelle Korrigiertes Modell Konstanter Term Geschl Fehler Korrigierte variation Abhängige Variable negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder Quadratsum me vom Typ III a. R-Quadrat =,78 (korrigiertes R-Quadrat = -,) b. R-Quadrat =,33 (korrigiertes R-Quadrat =,4) df 87,99 a 4 7,8,798,534 67,758 b 4 9,94,455,35,64,64,4,96 36,699 36,699,83,87 5,699 5,699,63,83 86,645 86,645,43,55 44,4 44,4,49,487 45,97 45,97,6,75 95,4 97,5,84,348 67,8 83,59,47,66 348, , ,455 38,67 46, , , ,4 4 Mittel der Quadrate F Signifikanz Tabelle 53: Levene und Kolmogorov-Smirnov-Tests für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Kolmogorov-Smirnov-Anpassungstest für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Levene-Test auf Gleichheit der Fehlervarianzen für Differenz während - nachher bei Startle-Potenzierung und -Inhibition a Differenz Potenzierung Differenz Inhibition F df df Signifikanz,7 4,764 3,49 4,59 Prüft die ullhypothese, daß die Fehlervarianz der abhängigen Variablen über n hinweg gleich ist. a. Design: Intercept++Geschl+ Parameter der ormalverteilung a,b Extremste Differenzen Kolmogorov-Smirnov-Z Mittelwert Standardabweichung Absolut Positiv egativ Asymptotische Signifikanz (-seitig) a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. Differenz Potenzierung Differenz Inhibition 43 43,357 8,494,758 4,5435,93,98,7,98 -,93 -,78,69,644,85,8 75

29 Tabelle 54: Deskriptive Statistiken für Potenzierungs und Inhibitions-Zeitverlauf Deskriptive Statistiken für Zeitverlauf der Potenzierung je Deskriptive Statistiken für Zeitverlauf der Inhibition je,5 s ichtmeditierende Mittelwert Standardab weichung -9,7,63 3,5 s ichtmeditierende Mittelwert Standardab weichung 9,38 8, ,373 8,8497,4,4385 -,387 4,6 8 -,874 8, ,3 9, ,645 5, ,5 s ichtmeditierende,659 3, ,5 s ichtmeditierende 3,74,738 3,355,685 6,997,8387,955 3, ,7998 3,459 8,396 5, ,4, ,5 s ichtmeditierende 6,88 4,65 3 6,5 s ichtmeditierende -4,47 6, ,486 4,6,745 3,794 -,6 8, ,883, ,3349, ,5848, ,5 s ichtmeditierende,365 4,7 3 7,5 s ichtmeditierende -8,64 3, ,746 9, ,945,3668,56 5, ,6656,36 8 5,8966 5, ,567 3, ,5 s ichtmeditierende -,377 7, ,5 s ichtmeditierende -,8969 8, ,796 7,564-6,36 7,54 3,677 5,9986 8,957 6, ,459, ,656 6, s ichtmeditierende,555 7, s ichtmeditierende -7,5 8,65 3-3,498 7,95-3,5897 5,39493,99 4, ,95 8,83 8 -,8667, ,366 5, s ichtmeditierende -,5584 8, s ichtmeditierende,54,6884 3,5853 5,867,54 3,7887 3,874 4, ,73 3,3939 8,67 4, ,457, Tabelle 55: Multivariate Tests für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Effekt Multivariate Tests für Differenz während - nachher bei Startle-Potenzierung und -Inhibition c Konstanter Term Geschlecht a. Exakte Statistik Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Wert F Hypothese df Fehler df Signifikanz,35,678 a, 37,,54,965,678 a, 37,,54,37,678 a, 37,,54,37,678 a, 37,,54,5,99 a, 37,,38,949,99 a, 37,,38,54,99 a, 37,,38,54,99 a, 37,,38,,549 a, 37,,9,879,549 a, 37,,9,38,549 a, 37,,9,38,549 a, 37,,9,7,86 4, 76,,83,873,95 a 4, 74,,8,45,3 4, 7,,77,43,79 b, 38,,79 b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl+ 76

30 Tabelle 56: Tests der Zwischensubjekteffekte für Differenz während - nachher bei Startle -Potenzierung und -Inhibition Tests der Zwischensubjekteffekte für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Quelle Korrigiertes Modell Konstanter Term Geschlecht Fehler Korrigierte variation Abhängige Variable Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition a. R-Quadrat =,87 (korrigiertes R-Quadrat = -,9) b. R-Quadrat =,9 (korrigiertes R-Quadrat =,37) Quadratsum me vom Typ III df 4, a 4 5,33,9,473 87,37 b 4 467,843,668,47 8,944 8,944,8,39 48,83 48,83,79,6,3,3,87,86 58,5 58,5,334,567 49,73 49,73,33,5 65,87 65,87 3,5,69 3,975,987,3,93 946,9 473,45,7,8 4439, , , ,38 486, , , ,833 4 Mittel der Quadrate F Signifikanz C3.: Intensität der neurophysiologische Komponente Tabelle 57: Kolmogorov-Smirnov-Tests für EDA-Intensität Kolmogorov-Smirnov-Anpassungstest für EDA - Intensität Parameter der ormalverteilung a,b Mittelwert Standardabweichung Summe neg. Bilder Summe neutr. Bilder Summe pos. Bilder Maximum neg. Bilder Maximum neutr. Bilder Maximum pos. Bilder ,,665,447,,69,9,437,735,377,4779,77,65 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),94,5,63,4,3,53,83,5,63,9,3,4 -,94 -,85 -,38 -,4 -, -,53,75,34,68,469,59,5,78,55,4,7,,64 a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. 77

31 Tabelle 58: Levene-Test zur Varianzhomogenität für EDA-Intensität Test auf Homogenität der Varianz für EDA - Intensität Summe neg. Bilder Summe neutr. Bilder Summe pos. Bilder Maximum neg. Bilder Maximum neutr. Bilder Maximum pos. Bilder Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Levene- Statistik df df Signifikanz,79 4,38,943 4,398,943 34,43,399,84 4,75,53 4,9,836 4,44,836 38,696,44,45 4,47,8 4,83,4 4,787,4 39,599,787,9 4,8,64 4,6,89 4,45,89 5,53,456,63 4,94 4,56 4,6,74 4,78,74 36,45,8 4,79 4,4, 4,3,8 4,456,8 37,95,456,6 4,338 Tabelle 59: Tests der Zwischensubjekteffekte für EDA-Intensität Quelle Korrigiertes Modell Konstanter Term Geschlecht Bildvalenz * Bildvalenz Fehler Korrigierte variation Tests der Zwischensubjekteffekte für EDA - Intensität Abhängige Variable EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax Quadratsum me vom Typ III a. R-Quadrat =,35 (korrigiertes R-Quadrat =,6) b. R-Quadrat =,5 (korrigiertes R-Quadrat =,78) df,78 a,78,836,6,75 b,7,8,3,9,9,,638,6,6,448,55,66,66,54,7,8,8,643,44,9,9 3,8,84,4,4 3,,8,448,4 5,58,6,5,53 3,996,,,6,43,47,69,35,6,77,6 4,4,94,984,4 4,4,7,897 5,3 8,43,556 8,3,54 9 3,3 9 5,8 8,83 8 Mittel der Quadrate F Signifikanz 78

32 Tabelle 6: Multivariate Tests für für EDA-Intensität Effekt Konstanter Term Geschlecht Bildvalenz * Bildvalenz a. Exakte Statistik Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Multivariate Tests für EDA - Intensität c Wert F Hypothese df Fehler df Signifikanz,5,37 a, 7,,736,995,37 a, 7,,736,5,37 a, 7,,736,5,37 a, 7,,736,,8 a, 7,,97,979,8 a, 7,,97,,8 a, 7,,97,,8 a, 7,,97,6,578 a, 7,,,974,578 a, 7,,,7,578 a, 7,,,7,578 a, 7,,, 3,45 4, 36,,9,89 3,457 a 4, 34,,9,9 3,46 4, 3,,9,95 5,68 b, 8,,5,63,96 4, 36,,,938,9 a 4, 34,,9,66,97 4, 3,,8,6 3,67 b, 8,,3,69,59 8, 36,,393,93,66 a 8, 34,,388,74,73 8, 3,,383,7,98 b 4, 8,,85 b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl++IAPSValenz+ * IAPSValenz Tabelle 6: Post-Hoc-Tests für EDA-Intensität Bonferroni Mehrfachvergleiche für EDA - Intensität Abhängige Variable Summe Maximum = ichtmeditierende, =, = Basiert auf beobachteten Mittelwerten. *. Die mittlere Differenz ist auf der Stufe,5 signifikant. Mittlere Differenz (I-J) 95% Konfidenzintervall Standardf ehler Signifikanz Untergrenze Obergrenze,9,45,8 -,3,933,43*,5459,3,5,756 -,9,45,8 -,933,3,59,56,88 -,688,747 -,43*,5459,3 -,756 -,5 -,59,56,88 -,747,688,343,35,44 -,7,94,83*,39,4,8,546 -,343,35,44 -,94,7,469,773,79 -,4,43 -,83*,39,4 -,546 -,8 -,469,773,79 -,43,4 79

33 Tabelle 6: Korrelationen für EDA-Intensität Korrelationen für EDA - Intensität Spearman-Rho Summe Maximum Prozentrang Achtsamkeit Achtsampraxis in Stunden + FFaScore Achtsamkeitspraxis in Stunden Praxisdauer in Jahren = fem = mask **. Die Korrelation ist auf dem, iveau signifikant (einseitig). *. Die Korrelation ist auf dem,5 iveau signifikant (einseitig). Summe Maximum,,944**., 43 43,944**,, ,4** -,5**,3, ,5** -,46**,, ,** -,8**,6, ,6** -,3*,, ,** -,6**,9, ,3 -,,36, ,44**,6**,3, Tabelle 63: Regressionsrechnung für EDA-Summe Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: EDA - Summe Koeffizienten a icht standardisierte Koeffizienten B Standardf ehler Standardisie rte Koeffizienten Beta,39,37 8,449, -,, -,66-3,4, T Signifikanz Tabelle 64: Regressionsrechnung für EDA-Maximum Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: EDA Maximum Koeffizienten a icht standardisierte Koeffizienten B Standardf ehler Standardisierte Koeffizienten Beta,58, 7,687, -,, -,49 -,89,5 T Signifikanz 8

34 C3.: Intensität der motivationalen Komponente Tabelle 65: Kolmogorov-Smirnov-Tests für Startle-Response Kolmogorov-Smirnov-Anpassungstest für Startle - Response über alle Zeitpunkte ichtmeditierende Parameter der ormalverteilung a,b Mittelwert Standardabweichung neg. Bilder neutr. Bilder pos. Bilder Inhibition Potenzierung , ,433 54,373,393,4454 8,59 9,44 3,6333 3,483,5 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),4,3,6,39,86,4,3,6,55,86 -,73 -,9 -, -,39 -,6,8,53,56,39,8,3,87,9,59,5 Parameter der ormalverteilung a,b Mittelwert Standardabweichung , ,5 34,453 -,4,9 7,3739 6,593 8,734 8,364 4,5793 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),4,,,96,99,4,,,73,95 -,84 -,83 -,8 -,96 -,99,86,383,47,87,3,73,44,89,,97 Parameter der ormalverteilung a,b Mittelwert Standardabweichung ,553 9,846,595 -,6949,437,367 9,33,6769 7,98 7,35686 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),6,4,7,4,7,6,4,7,8,7 -,74 -,57 -,79 -,4 -,93,945,78,95,55,83,333,575,34,6,539 a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. Tabelle 66: AOVA für overall Startle-Response StartleResponse OEWAY AOVA für overall Startle-Response Zwischen den n Innerhalb der n Quadrats umme df 659, ,744,73, 3, ,99 765,43 4 Mittel der Quadrate F Signifikanz Tabelle 67: Kruskal-Wallis-Test für overall Startle-Response Statistik für Kruskal-Wallis-Test für overall Startle-Response a,b Kruskal-Wallis-Test für overall Startle-Response: Ränge Mittlerer Rang Startle-Response 3 3,54,4 8, 43 Chi-Quadrat df Asymptotische Signifikanz a. Kruskal-Wallis-Test b.,, Startle Response 6,948, 8

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14. Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall

Mehr

Kapitel 5: Einfaktorielle Varianzanalyse

Kapitel 5: Einfaktorielle Varianzanalyse Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse

Mehr

Einfache statistische Auswertungen mit dem Programm SPSS

Einfache statistische Auswertungen mit dem Programm SPSS Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

Beispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav

Beispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav Beispiel für eine multivariate Varianzanalyse () Daten: POKIV_Terror_V12.sav Es soll überprüft werden, inwieweit das ATB-Syndrom (Angst vor mit den drei Subskalen affektive Angst von, Terrorpersistenz,

Mehr

6. METRISCHE UND KATEGORIALE MERKMALE

6. METRISCHE UND KATEGORIALE MERKMALE 6. METRISCHE UND KATEGORIALE MERKMALE wenn an einer Beobachtungseinheit eine (oder mehrere) metrische und eine (oder mehrere) kategoriale Variable(n) erhoben wurden Beispiel: Haushaltsarbeit von Teenagern

Mehr

Kapitel 6: Zweifaktorielle Varianzanalyse

Kapitel 6: Zweifaktorielle Varianzanalyse Kapitel 6: Zweifaktorielle Varianzanalyse Durchführung einer zweifaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 6 behandelten zweifaktoriellen

Mehr

Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil 1-

Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil 1- SPSSinteraktiv Signifikanztests (Teil ) - - Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil - t-test bei einer Stichprobe - SPSS-Output Der t-test bei einer Stichprobe wird

Mehr

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert

Mehr

Kapitel 4: Merkmalszusammenhänge

Kapitel 4: Merkmalszusammenhänge Kapitel 4: Merkmalszusammenhänge Streudiagramme SPSS bietet die Möglichkeit, verschiedene Arten von Streudiagrammen zu zeichnen. Gehen Sie auf Grafiken Streu-/Punkt-Diagramm und wählen Sie die Option Einfaches

Mehr

Varianzanalytische Methoden Zweifaktorielle Versuchspläne 4/13. Durchführung in SPSS (File Trait Angst.sav)

Varianzanalytische Methoden Zweifaktorielle Versuchspläne 4/13. Durchführung in SPSS (File Trait Angst.sav) Zweifaktorielle Versuchspläne 4/13 Durchführung in SPSS (File Trait Angst.sav) Analysieren > Allgemeines Lineares Modell > Univariat Zweifaktorielle Versuchspläne 5/13 Haupteffekte Geschlecht und Gruppe

Mehr

Im Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.

Im Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des. Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre

Mehr

Tabelle 136: Unterschiede zwischen den Clustern in der Bearbeitungszeit des Wissenstests (LT-ZEIT)

Tabelle 136: Unterschiede zwischen den Clustern in der Bearbeitungszeit des Wissenstests (LT-ZEIT) Tabelle 136: Unterschiede zwischen den Clustern in der Bearbeitungszeit des Wissenstests (LT-ZEIT) Einfaktorielle Varianzanalyse Test der Homogenität der Varianzen Levene-Statistik df1 df2 1.938 4 317.104

Mehr

Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS (ab V. 11.0)

Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS (ab V. 11.0) Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische e Lösung von Grundaufgaben mit SPSS (ab V..0) Text: akmv_v.doc Daten: akmv??.sav Lehrbuch: W. Timischl, Biostatistik. Wien - New York:

Mehr

Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse

Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter

Mehr

Varianzananalyse. How to do

Varianzananalyse. How to do Varianzananalyse How to do Die folgende Zusammenfassung zeigt beispielhaft, wie eine Varianzanalyse mit SPSS durchgeführt wird und wie die Ergebnisse in einem Empra-Bericht oder in einer Bachelor- oder

Mehr

(VU) Übungen zur Einführung in die statistische Datenanalyse II. Inhalte Statistik I. Inhalte Statistik I Deskriptive Statistik

(VU) Übungen zur Einführung in die statistische Datenanalyse II. Inhalte Statistik I. Inhalte Statistik I Deskriptive Statistik II Übungen zur II Organisatorische Hinweise Keine Anwesenheitspflicht (aber empfehlenswert) Einführung in die statistische Datenanalyse II (VU) Lehrinhalte (.ppt Folien): elearning.univie.ac.at 3 Prüfungstermine:

Mehr

Varianzanalyse (ANOVA: analysis of variance)

Varianzanalyse (ANOVA: analysis of variance) Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.

Mehr

Beispiel für eine Profilanalyse Daten: POKIII_AG1_V03.sav

Beispiel für eine Profilanalyse Daten: POKIII_AG1_V03.sav Beispiel für eine Daten: POKIII_AG1_V03.sav Es soll überprüft werden, ob es geschlechtsspezifische Unterschiede bei den Einstellungen zum Tanz gibt. Aus dem Fragebogen der AG 1 des POK III wurden folgende

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

Vergleiche von Gruppen hinsichtlich Ihrer zentralen Tendenz

Vergleiche von Gruppen hinsichtlich Ihrer zentralen Tendenz Vergleiche von Gruppen hinsichtlich Ihrer zentralen Tendenz Im folgenden sollen Analyseverfahren dargestellt werden, die zwei oder mehr Gruppen hinsichtlich ihrer zentralen Tendenz in einer einzelnen Variablen

Mehr

V A R I A N Z A N A L Y S E

V A R I A N Z A N A L Y S E V A R I A N Z A N A L Y S E Ziel / Funktion: statistische Beurteilung des Einflusses von nominal skalierten (kategorialen) Faktoren auf intervallskalierte abhängige Variablen Vorteil: die Wirkung von mehreren,

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:

Mehr

7. Mai 2010. Ruhr-Universität Bochum. Methodenlehre II, SS 2009. Prof. Dr. Holger Dette

7. Mai 2010. Ruhr-Universität Bochum. Methodenlehre II, SS 2009. Prof. Dr. Holger Dette Ruhr-Universität Bochum 7. Mai 2010 1 / 95 Methodenlehre II NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30-10.00

Mehr

Lösungen zur Klausur Statistik II Dr. Andreas Voß Sommersemester 2005

Lösungen zur Klausur Statistik II Dr. Andreas Voß Sommersemester 2005 Lösungen zur Klausur Statistik II Dr. Andreas Voß Sommersemester 2005 Name: Mat.Nr.: Bearbeitungshinweise: Insgesamt können 40 Punkte erreicht werden. Die Klausur gilt als bestanden, wenn Sie mindestens

Mehr

Bitte schreiben Sie in Druckbuchstaben und vergessen Sie nicht zu unterschreiben. Name, Vorname:. Studiengang/ Semester:. Matrikelnummer:..

Bitte schreiben Sie in Druckbuchstaben und vergessen Sie nicht zu unterschreiben. Name, Vorname:. Studiengang/ Semester:. Matrikelnummer:.. Institut für Erziehungswissenschaft der Philipps-Universität Marburg Prof. Dr. Udo Kuckartz Arbeitsbereich Empirische Pädagogik/Methoden der Sozialforschung Wintersemester 004/005 KLAUSUR FEBRUAR 005 /

Mehr

Kapitel 8: Verfahren für Rangdaten

Kapitel 8: Verfahren für Rangdaten Kapitel 8: Verfahren für Rangdaten Der Mann-Whitney U-Test In Kapitel 8.1 dient eine Klassenarbeit in einer Schule als Beispielanwendung für einen U-Test. Wir werden an dieser Stelle die Berechnung dieses

Mehr

Tabelle 6a: Deskriptive Statistiken der metrischen Variablen

Tabelle 6a: Deskriptive Statistiken der metrischen Variablen Ergebnisse 77 5 Ergebnisse Das folgende Kapitel widmet sich der statistischen Auswertung der Daten zur Ü- berprüfung der Hypothesen. Die hier verwendeten Daten wurden mit den in 4.3 beschriebenen Instrumenten

Mehr

Sozialer Abstieg und Konsum

Sozialer Abstieg und Konsum Sozialer Abstieg und Konsum Auswirkungen finanzieller Verknappung auf das Konsumverhalten Inaugural-Dissertation zur Erlangung des akademischen Grades einer Doktorin der Wirtschaftswissenschaft des Fachbereichs

Mehr

Etwas positive Tendenz ist beim Wechsel der Temperatur von 120 auf 170 zu erkennen.

Etwas positive Tendenz ist beim Wechsel der Temperatur von 120 auf 170 zu erkennen. Explorative Datenanalyse Erstmal die Grafiken: Aufreisskraft und Temperatur 3 1-1 N = 1 15 17 Temperatur Diagramm 3 1 95% CI -1 N = 1 15 17 Temperatur Etwas positive Tendenz ist beim Wechsel der Temperatur

Mehr

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede

Mehr

SPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests. H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab.

SPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests. H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab. SPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests A parametrisch -- ANOVA Beispieldatei: Seegräser_ANOVA H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab. µ

Mehr

Tabelle A1: Items der Pilotstudie zum Verhalten. 1. kosmetische Chirurgie (z.b. Fettabsaugen, Straffung der Augenlieder, Haartransplantation)

Tabelle A1: Items der Pilotstudie zum Verhalten. 1. kosmetische Chirurgie (z.b. Fettabsaugen, Straffung der Augenlieder, Haartransplantation) ANHANG 195 12. Anhang ANHANG A Tabelle A1: Items der Pilotstudie zum Verhalten Welche der folgenden Verhaltensweisen und Aussagen treffen auf Sie zu? (Bipolare Antwortmöglichkeiten wurden vorgegeben) 1.

Mehr

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

Mehr

SPSS III Mittelwerte vergleichen

SPSS III Mittelwerte vergleichen SPSS III Mittelwerte vergleichen A Zwei Gruppen ------------ Zwei-Stichproben t-test Beispieldatei: Seegräser Fragestellung: Unterscheidet sich die Anzahl der Seegräser in Gebieten mit und ohne Seeigelvorkommen

Mehr

Marktforschung I. Marktforschung I 2

Marktforschung I. Marktforschung I 2 Marktforschung I Marktforschung I Einführung in die Testtheorie (Toporowski) Mathematische Grundlagen (Toporowski) Varianzanalyse (Toporowski) Regressionsanalyse (Boztuğ) Diskriminanzanalyse (Hammerschmidt)

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. Korrelation, lineare Regression und multiple Regression multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig

Mehr

Einleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25

Einleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25 Inhaltsverzeichnis Einleitung 19 Zu diesem Buch 19 Konventionen in diesem Buch 20 Was Sie nicht lesen müssen 21 Falsche Voraussetzungen 21 Wie dieses Buch aufgebaut ist 21 Teil I: Datenanalyse und Grundlagen

Mehr

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table(c:\\compaufg\\kredit. Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit

Mehr

Statistik für Studenten der Sportwissenschaften SS 2008

Statistik für Studenten der Sportwissenschaften SS 2008 Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher

Mehr

Grundlagen von Versuchsmethodik und Datenanalyse

Grundlagen von Versuchsmethodik und Datenanalyse Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten

Mehr

Hypothesentests mit SPSS. Beispiel für einen t-test

Hypothesentests mit SPSS. Beispiel für einen t-test Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle

Mehr

Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":

Das Dialogfeld für die Regressionsanalyse (Lineare Regression) findet sich im Statistik- Menu unter Regression-Linear: Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Effektstärken und deren Bedeutung für die klinische Forschung

Effektstärken und deren Bedeutung für die klinische Forschung und deren Bedeutung für die klinische Forschung Einführung 1/5 Nicht nur statistische Signifikanz für Bedeutsamkeit eines Ergebnisses ausschlaggebend Größeund Richtungeines Effektes (z.b. Mittelwertsunterschied,

Mehr

Auswertung und Darstellung wissenschaftlicher Daten (1)

Auswertung und Darstellung wissenschaftlicher Daten (1) Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber Zwei Schritte der Auswertung. Deskriptive Darstellung aller Daten 2. analytische Darstellung (Gruppenvergleiche) SPSS-Andrea

Mehr

Master of Science in Pflege

Master of Science in Pflege Master of Science in Pflege Modul: Statistik Analyse von Kategoriedaten / Nicht-parametrische Methoden Dezember 2012 Prof. Dr. Jürg Schwarz Folie 2 Programm 19. Dezember 2012: Vormittag (09.15 12.30) Vorlesung

Mehr

Computergestützte Methoden. Master of Science Prof. Dr. G. H. Franke WS 07/08

Computergestützte Methoden. Master of Science Prof. Dr. G. H. Franke WS 07/08 Computergestützte Methoden Master of Science Prof. Dr. G. H. Franke WS 07/08 1 Seminarübersicht 1. Einführung 2. Recherchen mit Datenbanken 3. Erstellung eines Datenfeldes 4. Skalenniveau und Skalierung

Mehr

Überblick über die Tests

Überblick über die Tests Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt

Mehr

Hypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav

Hypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Hypothese: Die Beschäftigung mit Kunst ist vom Bildungsgrad abhängig. 1. Annahmen Messniveau: Modell: Die Skala zur Erfassung der

Mehr

Fortgeschrittene Statistik Logistische Regression

Fortgeschrittene Statistik Logistische Regression Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E

Mehr

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten. Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html

Mehr

Statistische Auswertung (Signifikanzen) Projekt: Evaluation der Langzeitauswirkung des Imago Paartherapie Workshops

Statistische Auswertung (Signifikanzen) Projekt: Evaluation der Langzeitauswirkung des Imago Paartherapie Workshops Auswertung: Irina Zamfirescu Auftraggeber: Mag. Klaus Brehm Statistische Auswertung (Signifikanzen) Projekt: Evaluation der Langzeitauswirkung des Imago Paartherapie Workshops Fragestellung: Wirkt sich

Mehr

STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG

STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG Statistische Methoden In der vorliegenden fiktiven Musterstudie wurden X Patienten mit XY Syndrom (im folgenden: Gruppe XY) mit Y Patienten eines unauffälligem

Mehr

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)

Mehr

Webergänzung zu Kapitel 10

Webergänzung zu Kapitel 10 Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder

Mehr

Einfache Varianzanalyse für abhängige

Einfache Varianzanalyse für abhängige Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese

Mehr

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten

Mehr

Prüfen von Mittelwertsunterschieden: t-test

Prüfen von Mittelwertsunterschieden: t-test Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test

Mehr

Univariate Lineare Regression. (eine unabhängige Variable)

Univariate Lineare Regression. (eine unabhängige Variable) Univariate Lineare Regression (eine unabhängige Variable) Lineare Regression y=a+bx Präzise lineare Beziehung a.. Intercept b..anstieg y..abhängige Variable x..unabhängige Variable Lineare Regression y=a+bx+e

Mehr

Statistik II für Betriebswirte Vorlesung 3

Statistik II für Betriebswirte Vorlesung 3 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst

Mehr

Kommentierter SPSS-Ausdruck zur logistischen Regression

Kommentierter SPSS-Ausdruck zur logistischen Regression Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit

Mehr

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1 Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...

Mehr

Kapitel 7: Varianzanalyse mit Messwiederholung

Kapitel 7: Varianzanalyse mit Messwiederholung Kapitel 7: Varianzanalyse mit Messwiederholung Durchführung einer einfaktoriellen Varianzanalyse mit Messwiederholung 1 Durchführung einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem

Mehr

3.3 Das allgemeine lineare Modell (ALM), Methode der kleinsten Quadrate

3.3 Das allgemeine lineare Modell (ALM), Methode der kleinsten Quadrate 31 und 31 und (), Methode der 33 Das allgemeine (), Methode der kleinsten Quadrate 37 Modelle mit Messwiederholungen 1 / 113 Eine grundsätzliche Bemerkung zu Beginn Es bestehen viele Ähnlichkeiten zwischen

Mehr

Teil II: Einführung in die Statistik

Teil II: Einführung in die Statistik Teil II: Einführung in die Statistik (50 Punkte) Bitte beantworten Sie ALLE Fragen. Es handelt sich um multiple choice Fragen. Sie müssen die exakte Antwortmöglichkeit angeben, um die volle Punktzahl zu

Mehr

3 Zusammenhangsmaße Zusammenhangshypothesen

3 Zusammenhangsmaße Zusammenhangshypothesen 3 Zusammenhangsmaße Zusammenhangshypothesen Zusammenhänge (zwischen 2 Variablen) misst man mittels Korrelationen. Die Wahl der Korrelation hängt ab von: a) Skalenniveau der beiden Variablen: 1) intervallskaliert

Mehr

Versuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling Einführung in die Versuchsplanung

Versuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling <kiesling@stat.uni-muenchen.de> Einführung in die Versuchsplanung Versuchsplanung Teil 1 Einführung und Grundlagen Dr. Tobias Kiesling Inhalt Einführung in die Versuchsplanung Hintergründe Grundlegende Prinzipien und Begriffe Vorgehensweise

Mehr

Übungen zur Veranstaltung Statistik 2 mit SPSS

Übungen zur Veranstaltung Statistik 2 mit SPSS Raum 22, Tel. 39 4 Aufgabe 5. Wird der neue Film MatchPoint von Woody Allen von weiblichen und männlichen Zuschauern gleich bewertet? Eine Umfrage unter 00 Kinobesuchern ergab folgende Daten: Altersgruppe

Mehr

Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells

Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells Dorothea E. Dette-Hagenmeyer Was sind dyadische Daten? Dyadische Daten sind Daten von zwei oder mehreren Personen, die etwas miteinander

Mehr

Unsere Hilfe bei statistischen Analysen für wissenschaftliche Arbeiten

Unsere Hilfe bei statistischen Analysen für wissenschaftliche Arbeiten Unsere Hilfe bei statistischen Analysen für wissenschaftliche Arbeiten Sie schreiben eine wissenschaftliche Arbeit und müssen hierfür Daten statistisch analysieren? Sie haben bisher wenig Erfahrung im

Mehr

5.2. Nichtparametrische Tests. 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY

5.2. Nichtparametrische Tests. 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY 5.2. Nichtparametrische Tests 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY Voraussetzungen: - Die Verteilungen der beiden Grundgesamtheiten sollten eine ähnliche Form aufweisen. - Die

Mehr

Multivariate Verfahren

Multivariate Verfahren Selbstkontrollarbeit 2 Multivariate Verfahren Musterlösung Aufgabe 1 (28 Punkte) Der Marketing-Leiter einer Lebensmittelherstellers möchte herausfinden, mit welchem Richtpreis eine neue Joghurt-Marke auf

Mehr

Willkommen zur Vorlesung Statistik

Willkommen zur Vorlesung Statistik Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang

Mehr

Eine Einführung in R: Statistische Tests

Eine Einführung in R: Statistische Tests Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/

Mehr

Eine computergestützte Einführung mit

Eine computergestützte Einführung mit Thomas Cleff Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 3., überarbeitete und erweiterte Auflage ^ Springer Inhaltsverzeichnis 1 Statistik

Mehr

Business Value Launch 2006

Business Value Launch 2006 Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung

Mehr

Statistik II für Betriebswirte Vorlesung 2

Statistik II für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander

Mehr

Die Bedeutung der Berufserfahrung für den Studienerfolg beruflich Qualifizierter (BQ)

Die Bedeutung der Berufserfahrung für den Studienerfolg beruflich Qualifizierter (BQ) Die Bedeutung der Berufserfahrung für den Studienerfolg beruflich Qualifizierter (BQ) Tagung: "ANKOM Übergänge von der beruflichen in die hochschulische Bildung" Berlin 24.06.2014 Helena Berg, M.A., Holger

Mehr

PASW Advanced Statistics 18

PASW Advanced Statistics 18 i PASW Advanced Statistics 18 Weitere Informationen zu SPSS Inc.-Software-Produkten finden Sie auf unserer Website unter der Adresse http://www.spss.com oder wenden Sie sich an SPSS Inc. 233 South Wacker

Mehr

Datenanalyse mit SPSS spezifische Analysen

Datenanalyse mit SPSS spezifische Analysen Datenanalyse mit SPSS spezifische Analysen Arnd Florack Tel.: 0251 / 83-34788 E-Mail: florack@psy.uni-muenster.de Raum 2.015 Sprechstunde: Dienstags 15-16 Uhr 25. Mai 2001 2 Auswertung von Häufigkeitsdaten

Mehr

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3

Mehr

Versuchsbericht. Allgemeinpsychologisches Experimental-Praktikum SS 2003. Tutor: Dipl.-Psych. Alexandra Lenhard

Versuchsbericht. Allgemeinpsychologisches Experimental-Praktikum SS 2003. Tutor: Dipl.-Psych. Alexandra Lenhard Julius-Maximilians-Universität Würzburg Psychologisches Institut III Versuchsbericht Allgemeinpsychologisches Experimental-Praktikum SS 2003 Tutor: Dipl.-Psych. Alexandra Lenhard Thema: Intermanueller

Mehr

Sozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS

Sozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelation vs. Regression 2. Ziele der Regressionsanalyse 3. Syntax für

Mehr

Statistische Auswertung:

Statistische Auswertung: Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

Mehr

FAKTORIELLE VERSUCHSPLÄNE. Andreas Handl

FAKTORIELLE VERSUCHSPLÄNE. Andreas Handl FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei

Mehr

Grundlagen der Versuchsmethodik, Datenauswertung und -visualisierung

Grundlagen der Versuchsmethodik, Datenauswertung und -visualisierung Grundlagen der Versuchsmethodik, Datenauswertung und -visualisierung Sommersemster 007 Analyse und Modellierung von Blickbewegungen Veranstalter: Hendrik Koesling Grundlagen der Versuchsmethodik, Datenauswertung

Mehr

Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17)

Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17) R.Niketta Multiple Regressionsanalyse Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17) Daten: Selbstdarstellung und Kontaktsuche in studi.vz (POK VIII, AG 3) Fragestellung:

Mehr

Test-Finder. Inhalt. Orientierung im Test-Chaos Dipl.-Psych. Dr. Guido Strunk

Test-Finder. Inhalt. Orientierung im Test-Chaos Dipl.-Psych. Dr. Guido Strunk Test-Finder 1 Test-Finder Orientierung im Test-Chaos Dipl.-Psych. Dr. Guido Strunk Inhalt 1 Grundlagen... 2 2 Maße der zentralen Tendenz vergleichen Zwei Gruppen... 3 2.1 T-Test für unabhängige Daten...

Mehr

Nichtparametrische statistische Verfahren

Nichtparametrische statistische Verfahren Nichtparametrische statistische Verfahren (im Wesentlichen Analyse von Abhängigkeiten) Kategorien von nichtparametrischen Methoden Beispiel für Rangsummentests: Wilcoxon-Test / U-Test Varianzanalysen 1-faktorielle

Mehr

Einführung in statistische Testmethoden

Einführung in statistische Testmethoden Einführung in statistische Testmethoden und die Bearbeitung von Messdaten mit Excel 1. Beispielhafte Einführung in den Gebrauch von Testmethoden 2. Typen von Messwerten, Verteilungen 3. Mittelwert, Varianz,

Mehr

Kapitel 9: Verfahren für Nominaldaten

Kapitel 9: Verfahren für Nominaldaten Kapitel 9: Verfahren für Nominaldaten Eindimensionaler Chi²-Test Der eindimensionale χ²-test wird dann herangezogen, wenn die Versuchspersonen einer Population anhand eines Merkmals mit zwei oder mehr

Mehr

Hypothesentests mit SPSS. Beispiel für eine zweifaktorielle Varianzanalyse Daten: POK07_AG4_HU_V04.SAV

Hypothesentests mit SPSS. Beispiel für eine zweifaktorielle Varianzanalyse Daten: POK07_AG4_HU_V04.SAV Beispiel für eine zweifaktorielle Varianzanalyse Daten: POK07_AG4_HU_V04.SAV Hypothese: Typische Eigenschaften von Terroristen (Prototypikalität) und die nationale Herkunft (Ausländer vs. Deutsche) haben

Mehr

Kollektives Sozialkapital als individuelle Ressource?

Kollektives Sozialkapital als individuelle Ressource? Kollektives Sozialkapital als individuelle Ressource? Vortrag im Rahmen der Tagung Soziale Netzwerke und Sozialkapital 10./11.11.2005 Sandra Landhäußer er,, Heinz-Günter nter Micheel Fakultät t für f r

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

Statistische Grundlagen für die Versuchstierkunde

Statistische Grundlagen für die Versuchstierkunde Statistische Grundlagen für die Versuchstierkunde Prof. Peter Pilz Fachbereich Biologie Universität Tübingen So viele Tiere wie nötig, so wenig Tiere wie möglich Gliederung 1. Deskriptive Statistik & Power

Mehr

Multivariate Statistik mit Mathematica und SPSS

Multivariate Statistik mit Mathematica und SPSS Multivariate Statistik mit Mathematica und SPSS von Dipl.-Math. Marco Schuchmann Dipl.-Math. Werner Sanns Seite 2 Varianzanalyse Die Informationen in diesem Buch entstammen langjähriger Erfahrung in Praxis

Mehr

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen. Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes

Mehr